Wyniki wyszukiwania - BazTech

1

Modeling of the process of technological breakdown

Markulak Radosław, Skarupski Marek

Mathematica Applicanda

|

2020

|

Vol. 48, no. 2

173--189

EN

Based on the historical data gathered in one of the wind farms, a mathematical model was created to predict the relationship between wind speeds and the amount of energy obtained. The theory of Hidden Markov Models, which were used in the study of the wind farm production process has found an application to carry out a detailed analysis. Simulations (implemented in Python language of programming) of forward-backward procedure, Viterbi algorithm, and Baum-Welch algorithm allowed us to answer a few key questions about the probability of obtaining a satisfactory sequence of observations emitted during the operation of the turbine. The whole has translated into the possibility of determining the availability coefficient of the wind farm system, which gives full information about the efficiency of the technological process. This factor can be used to prevent the occurrence of a process failure, and thus to efficiently improve its operation.

PL

Na podstawie danych historycznych zebranych w jednej z farm wiatrowych stworzono model matematyczny do przewidywania zależności między prędkością wiatru a ilością uzyskanej energii. Teoria ukrytych modeli Markowa, które posłużyły do badania procesu produkcji energii elektrycznej, znalazła zastosowanie do przeprowadzenia szczegółowej analizy danych. Symulacje (realizowane w języku Python) procedury forward-backward, algorytmu Viterbiego oraz algorytmu BaumaWelcha pozwoliły odpowiedzieć na kilka kluczowych pytań dotyczących prawdopodobieństwa uzyskania zadowalającej sekwencji obserwacji emitowanych podczas pracy turbiny. Całość przełożyła się na możliwość określenia współczynnika dostępności systemu farm wiatrowych, co daje informację o efektywności procesu technologicznego. Czynnik ten można wykorzystać, aby zapobiec wystąpieniu awarii procesu, a tym samym skutecznie usprawnić jego działanie.

2

A Study on the Impact of Lombard Effect on Recognition of Hindi Syllabic Units Using CNN Based Multimodal ASR Systems

Uma Maheswari Sadasivam, Shahina A., Rishickesh Ramesh, Nayeemulla Khan A.

Archives of Acoustics

|

2020

|

Vol. 45, No. 3

419--431

EN

Research work on the design of robust multimodal speech recognition systems making use of acoustic, and visual cues, extracted using the relatively noise robust alternate speech sensors is gaining interest in recent times among the speech processing research fraternity. The primary objective of this work is to study the exclusive influence of Lombard effect on the automatic recognition of the confusable syllabic consonant-vowel units of Hindi language, as a step towards building robust multimodal ASR systems in adverse environments in the context of Indian languages which are syllabic in nature. The dataset for this work comprises the confusable 145 consonant-vowel (CV) syllabic units of Hindi language recorded simultaneously using three modalities that capture the acoustic and visual speech cues, namely normal acoustic microphone (NM), throat microphone (TM) and a camera that captures the associated lip movements. The Lombard effect is induced by feeding crowd noise into the speaker’s headphone while recording. Convolutional Neural Network (CNN) models are built to categorise the CV units based on their place of articulation (POA), manner of articulation (MOA), and vowels (under clean and Lombard conditions). For validation purpose, corresponding Hidden Markov Models (HMM) are also built and tested. Unimodal Automatic Speech Recognition (ASR) systems built using each of the three speech cues from Lombard speech show a loss in recognition of MOA and vowels while POA gets a boost in all the systems due to Lombard effect. Combining the three complimentary speech cues to build bimodal and trimodal ASR systems shows that the recognition loss due to Lombard effect for MOA and vowels reduces compared to the unimodal systems, while the POA recognition is still better due to Lombard effect. A bimodal system is proposed using only alternate acoustic and visual cues which gives a better discrimination of the place and manner of articulation than even standard ASR system. Among the multimodal ASR systems studied, the proposed trimodal system based on Lombard speech gives the best recognition accuracy of 98%, 95%, and 76% for the vowels, MOA and POA, respectively, with an average improvement of 36% over the unimodal ASR systems and 9% improvement over the bimodal ASR systems.

3

Hidden Markov Model (HMM) - opis modelu i algorytmów pod kątem wykorzystania w problemach rozpoznawania mowy i pisma

Gąciarz T.

Elektrotechnika i Elektronika

|

1998

|

T. 17, nr 1

17--31

EN

The use of hidden Markov models (HMM's) for speech and handwriting recognition has become increasingly popular in the past few years. The reason why this method has become so popular are: the inherent statistical (mathematically precise) framework, the easy and availability of training algorithms for estimating the parameters of the models from the finite training sets of data, the flexibility of the resulting recognition system where one can easily change the size, type, or architecture of the models to suit particular words, sounds etc., and the ease of implementation of the overall recognition system. In this paper, the basic information on hidden Markoy model is presented. It includes formal description of the model, methods and algorithms used for training and recognition.

PL

Hidden Markov Model już od kilkunastu lat cieszy się niesłabnącą popularnością w zastosowaniach związanych z rozpoznawaniem mowy i pisma ręcznego. Przyczyną tak wielkiej popularności są niewątpliwie solidnie opracowane podstawy matematyczne modelu (teoria), jak i struktura implementacyjna (praktyka). Wykorzystywane, ogólnie dostępne algorytmy charakteryzują się jasnością i efektywnością estymacji parametrów modelu na podstawie skończonego zbioru uczącego. Elastyczność systemu rozpoznawania pozwala na łatwe dostosowanie rozmiaru, typu i architektury modelu do odpowiednich słów, dźwięków itp. W artykule tym zawarto podstawowe dane na temat budowy HMM wraz z jego formalnym opisem. Przedstawiono także ideę działania najbardziej znanych algorytmów służących do uczenia i rozpoznawania z wykorzystaniem modelu.